Sie sind auf Seite 1von 160

2. Dresdner Probabilistik-Symposium Sicherheit und Risiko im Bauwesen

Dresdner Probabilistik-Symposium Sicherheit und Risiko im Bauwesen Fakultät Bauingenieurwesen Dresden, 12. November 2004
Dresdner Probabilistik-Symposium Sicherheit und Risiko im Bauwesen Fakultät Bauingenieurwesen Dresden, 12. November 2004

Fakultät

Bauingenieurwesen

Dresden, 12. November 2004

2. Dresdner Probabilistik- Symposium – Sicherheit und Risiko im Bauwesen –

Dresden, den 12. November 2004

Die Deutsche Bibliothek CIP Einheitsaufnahme Ein Titeldatensatz für diese Publikation ist bei der Deutschen Bibliothek erhältlich. ISBN-10: 3-00-019235-2 ISBN-13: 978-3-00-019235-7

© Dirk Proske Verlag Dresden 2006 Herausgeber: Dirk Proske 2. Auflage Alle Rechte vorbehalten

Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der Übersetzung, des Nachdrucks, des Vortrags, der Funksendung, der Mikroverfilmung oder der Vervielfältigung auf anderen Wegen und der Speicherung in Datenverarbeitungsanlagen, bleiben, auch nur bei auszugsweiser Verwertung, vorbehalten.

Die Wiedergabe von Warenbezeichnungen, Handelsnamen oder sonstigen Kennzeichnungen in diesem Buch berechtigt nicht zu der Annahme, daß diese von jedermann frei benutzt werden dürfen. Vielmehr kann es sich auch dann um eingetragene Warenzeichen oder sonstige gesetzlich geschützte Kennzeichen handeln, wenn sie als solche nicht eigens markiert sind.

Vorwort

Das Dresdner Probabilistik-Symposium findet erfreulicherweise zum zweiten Mal statt. Viel- leicht gelingt es den Besuchern, Vortragenden und Veranstaltern, damit eine Tradition auf- zubauen. Zweifelsohne ist das Thema der Tagung ein sehr spezielles. Welcher Bauingenieur hat schon bei seiner alltäglichen Arbeit Zeit, über die Sicherheit seiner Konstruktionen nach- zudenken? In der Regel hält sich der Bauingenieur an die Regeln der Technik und kann davon ausgehen, daß die Konstruktion dann die erforderliche Sicherheit erbringt. Gerade aber bei anspruchsvollen Aufgaben, Fällen, in denen der Bauingenieur gezwungen ist, eigene Modelle zu entwickeln, muß er die Sicherheit prüfen. In zunehmendem Maße versuchen Bauin- genieure sich durch die Bewältigung solcher Aufgaben vom Markt abzugrenzen. Deshalb sehen wir als Veranstalter langfristig auch einen steigenden Bedarf für die Vermittlung von Grundlagen der Sicherheitstheorien im Bauwesen. Und vielleicht steigt mit den Jahren die Anzahl der Besucher. Einen wichtigen Schritt werden wir nächstes Jahr gehen, wenn die Ver- anstaltung in Zusammenarbeit mit Herrn Prof. Dr. Bergmeister von der Universität für Boden- kultur in Wien stattfinden wird. Wir würden uns freuen, Sie alle im nächsten Jahr in Wien zum 3. Probabilistik-Symposium begrüßen zu dürfen. Doch zunächst hoffen wir auf interes- sante Vorträge und anregende Diskussionen zur diesjährigen Veranstaltung.

Die Veranstalter bedanken sich herzlich bei den Besuchern für Ihr Kommen, bei den Vortra- genden für die anregenden Beiträge und bei allen Mitarbeiterinnen und Mitarbeitern, die zum Gelingen des 2. Dresdner Probabilistik-Symposium beigetragen haben.

Prof. Dr.-Ing. Manfred Curbach

Dr.-Ing. Dirk Proske

Inhaltsverzeichnis

Zur Wahrnehmung des Risikos von Bauwerken

M.

Curbach

 

&

D.

 

Proske .

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

1

Verallgemeinerte Konzepte zur Erfassung unscharfer Daten und Modelle im Ingenieurbau

 

B.

Möller, W. Graf, M. Beer, J.-U.

 

5

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

 

V.

Cervenka, R. Pukl, K. Bergmeister, A. Strauss, U.

 

17

Simulationsverfahren in der stochastischen Strukturmechanik

 

C.

Bucher.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

27

Risikostudie am Beispiel Erdbeben

 

R.

J.

Scherer

&

 

G.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

39

Probablistische Methoden zur Bemessung von Deichen und Küstenschutzbauten in den Niederlanden

 

H.

Vrijling & P. van

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.57

Vergleich der Nachrechnungsklassen von Straßenbrücken nach DIN 1072 und DIN-Fachbericht

 

S.

Loos

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

73

Statistische Beschreibung von Eisenbahnlasten

 

P.

Lieberwirth

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

87

Zur Ermittlung von Teilsicherheitsfaktoren für Natursteinmaterial

 

M.

Curbach & D. Proske

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.99

Probabilistische Beschreibung der Dauerhaftigkeit von Beton

 

M.

Curbach & D. Proske

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.129

Wahrnehmung und Risiko

Zur Wahrnehmung des Risikos von Bauwerken

Manfred Curbach, Dirk Proske Institut für Massivbau, Technische Universität Dresden

Zusammenfassung: Die Wahrnehmung von Risiken durch Menschen ist ge- prägt durch die Geschichte und Tradition jedes Einzelnen. Trotzdem stimmen viele Menschen bei der Wahrnehmung der Risiken ausgewählter Fachgebiete überein. So ist die Sicherheit von Kraftfahrzeugen ein wesentliches Verkaufs- argument, während die Sicherheit von Bauwerken grundsätzlich als ausrei- chend angesehen wird. Die Diskussion der Sicherheit von Bauwerken verläuft unbeobachtet von der Öffentlichkeit, während in anderen Bereichen Sicher- heitsprobleme von der Öffentlichkeit wahrgenommen und intensiv diskutiert werden.

1

Einleitung

Sicherheit ist ein grundlegendes Bedürfnis jedes einzelnen Menschen. Die Interpretation und Bedeutung des Begriffes Risiko unterscheidet sich jedoch für jeden Menschen gemäß seiner Erfahrung und Tradition. Ein Mensch, der in seiner Kindheit von einem Hund gebis- sen wurde, kann unter Umständen sein Leben lang ein besonders hohes Sicherheitsbedürf- nis gegenüber Hunden besitzen. Dieses hohe Sicherheitsbedürfnis kann durch einen großen räumlichen Abstand gegenüber Hunden zum Ausdruck kommen, aber auch in scharfen Reaktionen gegenüber Mitmenschen, die diesen Tieren große Freiheiten einräumen. Je- doch nicht alle Sicherheitsbedürfnisse entstehen durch eigene Erfahrungen. Wir sind heute von einer Vielzahl von Informationsquellen abhängig. Eine dieser Informationsquellen ist die Werbung.

Verschiedene Bereiche der Wirtschaft nutzen das Thema Sicherheit als ein Verkaufs- argument. Häufig wird bei Werbebotschaften von Personenkraftfahrzeugen auf neue oder erweiterte sicherheitserhöhende Maßnahmen hingewiesen. Beispielhaft sei das sogenannte Pre-Safe-Paket von Mercedes zu nennen oder die deutliche Zunahme von Airbags in mo- dernen Fahrzeugen. Während es vor wenigen Jahren den Airbag für den Beifahrer noch als Sonderausrüstung gab, werden heute in vielen Fahrzeugen der Oberklasse eine nahezu zweistellige Anzahl von Airbags eingebaut.

Auch bei anderen technischen Erzeugnissen wird besonderes Augenmerk auf die Sicher- heit gelegt. So werden in Flugzeugen den Passagieren vor jedem Start Sicherheitsinforma- tionen gegeben. Oder betrachten wir den Bereich der Nahrungsmittel. Dort wird oft auf die

Wahrnehmung und Risiko

Qualität und Sicherheit des Anbaus verwiesen. Ein letzter Bereich, der mit dem Begriff der Sicherheit wirbt, ist der Bereich der Politik. Häufig verwenden Politiker die Begriffe der inneren und äußeren Sicherheit bei Wahlveranstaltungen.

Wie sieht es aber mit der Sicherheit von Bauwerken aus? Es gibt allein über 120.000 Brük- ken in Deutschland, über die jeden Tag zusammen mehrere Millionen von Kraftfahrzeugen verkehren. Wieso ist bei Kraftfahrzeugen Sicherheit ein Thema und bei den Bauwerken nicht?

2 Sicherheit von Bauwerken

Bauwerke müssen sicher sein. Diese Anforderung gilt für alle technischen Produkte. Auch Kraftfahrzeuge, Flugzeuge oder Bügeleisen müssen sicher sein. Bauwerke unterscheiden sich jedoch in einem wichtigen Punkt von den anderen genannten technischen Erzeugnis- sen: Die Freiheit der unzulässigen Nutzung des Produktes ist deutlich eingeschränkt. Man kann Möbel oder Buchregale in ein Wohnhaus stellen, aber es kostet schon sehr viel Mühe, die Decke eines ordnungsgemäß errichteten Gebäudes so zu überlasten, daß sie einstürzt. Bei einem Personenkraftwagen sieht das anders aus: Jeder Nutzer kann auf einfachste Wei- se ein Fahrzeug unsachgemäß nutzen und eine unangepaßte Geschwindigkeit fahren. Al- lein die Anzahl der Verkehrskontrollen belegt die Notwendigkeit der aktiven Kontrolle der Fahrer.

Die persönliche Verantwortung für die Sicherheit versucht der Nutzer eines Fahrzeuges durch sicherheitserhöhende Maßnahmen im Kraftfahrzeug abzugeben. Deshalb ist Sicher- heit ein Verkaufsargument in der Automobilindustrie. Würde man also den Nutzer von Bauwerken für die Sicherheit mit haftbar machen, so würde durchaus eine stärkere öffent- liche Wahrnehmung der Sicherheit von Bauwerken die Folge sein. Und in der Tat, bei Bauwerken, die den Tod vieler Menschen verursachen könnten, wird über die Sicherheit der Bauwerke in der Öffentlichkeit diskutiert. Man denke dabei nur an Staumauern (Abb. 1).

Man denke dabei nur an Staumauern (Abb. 1). Abb. 1: Katse-Staumauer in Le sotho während der

Abb. 1: Katse-Staumauer in Lesotho während der Errichtung.

Wahrnehmung und Risiko

Neben der genannten Begründung für die geringe Wahrnehmung der Sicherheit von Bau- werken dürfte noch ein zweiter Grund vorhanden sein: Bauwerke weisen unter normalen Umständen eine sehr hohe Sicherheit auf. Der Einsturz von Bauwerken während der Nut- zung in den entwickelten Industrieländern liegt im einstelligen Bereich pro Jahr. Während durch Verkehrsunfälle pro Jahr allein in Deutschland mehrere tausend Menschen sterben, sind durch Einstürze von Bauwerken nur sehr wenige Menschen betroffen. Oft treten an Bauwerken Schäden bereits lange vor dem Einsturz auf, die zu Sanierungs- oder Verstär- kungsmaßnahmen führen. Im Prinzip handelt es sich bei Bauwerken um sehr gutmütige technische Produkte. Diese hohe Sicherheit, z.B. dargestellt in Form von Sterbewahr- scheinlichkeiten, ist auch in anderen technischen Bereichen zu finden. Betrachten wir die Eisenbahn. Während in Bussen oder Flugzeugen Sicherheitsgurte verwendet werden müs- sen, darf sich in Eisenbahnen jeder frei bewegen. Die geringe Anzahl von Unfällen auf Grund der Spurführung des Fahrzeuges hat dazu geführt, daß sich die Menschen in diesem Transportmittel sehr sicher fühlen.

Wie aber bereits erwähnt wurde, ist das Sicherheitsempfinden subjektiv. Die gerade ge- nannte objektive Begründung für die unterschiedlichen Sicherheitsbedürfnisse ist deshalb nur teilweise gültig. Fragt man Menschen, warum sie bei diesem oder jenem Produkt ein höheres Sicherheitsbedürfnis entwickeln, fällt vielen Menschen die Erklärung schwer. Das gleiche gilt für die Erläuterung von Risiken. Wie kann man Risiken bildhaft darstellen? Einen Versuch zeigt Abb. 2. Vielleicht verschwindet das Problem der Risikovermittlung aber wieder, wenn man sich vergegenwärtigt, daß Ausbildung, Schule und Erziehung letzt- endlich nichts anderes als eine Risikokommunikation sind. Wir bringen Kindern das Schwimmen bei, damit sie nicht ertrinken können. Wir bringen Kindern das Lesen bei, so daß Sie Warnschilder erfassen können. Diese Form der Risikokommunikation ist Ursache und Lösung der subjektiven Risikowahrnehmung bzw. der unterschiedlichen Schutzbe- dürfnisse zugleich.

Folgendes Beispiel soll die unterschiedlichen Kenntnisse über Risiken und die damit ver- bundenen Schwierigkeiten der Begründung der Sicherheitsbedürfnisse zeigen. Seit Jahr- zehnten werden Pflanzensamen mit Röntgenstrahlungen beschossen, um Mutationen zu verursachen, die höhere Erträge der Nutzpflanzen erlauben sollen. Es handelt sich hierbei um eine grobe Form der Genmanipulation. Diese Form der Genmanipulation wird von der Bevölkerung nicht wahrgenommen und damit passiv akzeptiert. Neuere Formen der Gen- manipulation mit gezielter Veränderung der Genstruktur der Pflanzen werden aber von großen Teilen der Bevölkerung abgelehnt. Eine Diskussion der beiden verschiedenen Ver- fahren hinsichtlich der Risiken hat auch niemals in der Bevölkerung stattgefunden, aber bei dem letztern Verfahren existiert auf Grund der der Bevölkerung zugänglichen Informatio- nen ein höheres Sicherheitsbedürfnis. Viele Menschen wirken verwundert, wenn man ih- nen davon berichtet, daß sie seit Jahrzehnten genetisch modifizierte Lebensmittel ver- wenden. [1]

Die Lieferung von Informationen an die Bevölkerung und damit die Befähigung zur Si- cherheitsbeurteilung ist eine der wichtigsten Aufgaben von Wissenschaftlern und in gewis- ser Weise auch von Journalisten. Und auch wenn die hohe, aber von der Bevölkerung nicht wahrgenommene Sicherheit von Bauwerken als ein Kompliment an die Bauingenieure verstanden werden kann, so ist die Diskussion der Sicherheit und des Risikos von Bau- werken nicht nur eine Aufgabe für die Bauingenieure untereinander, wie es im Rahmen

Wahrnehmung und Risiko

dieser Veranstaltung durchgeführt wird, sondern auch die Aufgabe des Ingenieurs, dieses Wissen in die Öffentlichkeit zu tragen.

Ingenieurs, dieses Wissen in die Öffentlichkeit zu tragen. Abb. 2: Poster einer Ausstellung, die das Th

Abb. 2: Poster einer Ausstellung, die das Thema bildliche Darstellung von Risiken bein- haltete [2]

3

Literatur

[1] Proske, D.: Katalog der Risiken – Risiken und ihre Darstellung. Eigenverlag, Dresden

[2]

2004

http://perso.ensad.fr/~fabienne/traverse-risque/, 2004

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendungsmöglichkeiten im Ingenieurbau*

Bernd Möller, Wolfgang Graf, Michael Beer, Jan-Uwe Sickert Institut für Statik und Dynamik der Tragwerke, Technische Universität Dresden

Zusammenfassung: Im Beitrag wird ein neues Konzept zur Unschärfe- modellierung vorgestellt, daß auf der Theorie der Fuzzy-Zufallsgrößen basiert. Dieses übergeordnete Unschärfemodell enthält Zufallsgrößen und Fuzzy-Größen als Sonderfälle.

Die Fuzzy-Zufallsgrößen werden als Eingangsgrößen bei der fuzzy- probabilistischen Tragwerksanalyse und der fuzzy-probabilistischen Sicherheits- beurteilung von Tragwerken berücksichtigt. An einem Beispiel wird die fuzzy- probabilistische Tragwerksanalyse erläutert.

1

Einleitung

Die Anwendung von Fuzzy-Zufallsgrößen bietet die Möglichkeit, Unschärfe mit der Charakteristik Fuzzy-Zufälligkeit mathematisch zu beschreiben. Fuzzy-Zufälligkeit tritt auf, wenn Zufallsgrößen nicht exakt beobachtet werden können, z.B. infolge schwankender Randbedingungen. Fuzzy-Zufallsgrößen können auch als fuzzifizierte Zufallsgrößen interpretiert werden, da das zufällige Ereignis nur unscharf beobachtet werden kann.

Fuzzy-Zufallsgrößen sind beispielsweise unscharfe Tragwerksparameter, die teilweise zufällige Eigenschaften zeigen, jedoch nicht zweifelsfrei als reelle Zufallsgröße modelliert werden können. Mit Hilfe von Fuzzy-Wahrscheinlichkeitsverteilungsfunktionen werden Fuzzy- Zufallsgrößen beschrieben. Zur Generierung dieser Fuzzy-Wahrscheinlichkeitsverteilungs- funktionen werden die bekannten Methoden der schließenden Statistik so erweitert, daß auch die Fuzziness der vorliegenden Daten erfaßt wird.

Für die Analyse eines Tragwerkes mit Hilfe eines scharfen (oder unscharfen) Algorithmus und

* Erstveröffentlichung in:

Festschrift zum 60. Geburtstag von Prof. Hartmann, Ruhr-Universität Bochum

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

mit Fuzzy-Z ufallsgrößen (oder Zufallsgrößen) als Eingangsgrößen sowie Fuzzy-Größen als Modellgrößen wird die fuzzy-probabilistische Tragwerksanalyse eingeführt. Die Kombination einer Monte-Carlo-Simulation mit der Fuzzy-Tragwerksanalyse ermöglicht die simultane Berücksichtigung der unterschiedlichen Unschärfe als: Zufälligkeit, Fuzzy-Zufälligkeit und Fuzziness.

Viele Material-, Geometrie- und Lastparameter zeigen fuzzy-zufällige Variationen in Zeit und Raum. Zur mathematischen Beschreibung dieser Parameter werden Fuzzy-Zufallsfunktionen eingeführt, die bei der Tragwerksanalyse mit Hilfe der Fuzzy Stochastic Finite Element Method (FSFEM) berücksichtigt werden.

Das Konzept der Fuzzy-Zufallsgrößen wird auch für die Sicherheitsbeurteilung von Tragwerken angewendet, z.B. in Form der Fuzzy First Order Reliability Method (FFORM), s. Abschn. 7.

2 Bemerkungen zur Unschärfe

Das mechanische Verhalten von Tragwerken kann nur dann realistisch beurteilt werden, wenn alle Eingangsdaten zutreffend beschrieben werden und ein wirklichkeitsnahes Berech- nungsmodell eingesetzt wird. Eingangs- und Modellparameter liegen oft nur unscharf vor.

Häufig existieren für unscharfe Parameter nur Stichproben mit begrenzter Anzahl von Stichprobenelementen, aus denen eine formale mathematische Beschreibung der Unschärfe zu entwickeln ist. Die Testtheorie der klassischen Statistik erlaubt die Testung einer Stichprobe auf Zufälligkeit. Falls die Stichprobe nicht die Eigenschaft Zufälligkeit besitzt, sind andere Unschärfemodelle wie das für Fuzzy-Zufälligkeit heranzuziehen.

Die in Abb. 1 dargestellte konkrete Stichprobe soll bezüglich der zuzuordnenden Unschärfe beurteilt werden. Die Stichprobenelemente beschreiben die Zugfestigkeit von Glasfilament- garn. Die Stichprobe wird mit der Schätz- und Testtheorie ausgewertet. Zur Prüfung der zufälligen Eigenschaften der Stichprobe in Abb. 1 werden parameterfreie Tests durchgeführt. Die Nullhypothese H 0 – "die Stichprobenelemente sind zufällig" – wird mit einem Signifikanzniveau von 0,987 abgelehnt. Der Test auf Homogenität ergibt, daß die Nullhypothese H 0 – "die abgeteilten Stichproben mit den Elemente 1-55 und 56-110 stammen aus derselben Verteilung" – mit 1,0 abgelehnt wird. Mit Hilfe von Anpassungstests wird der Typ der Wahrscheinlichkeitsverteilung der Stichprobe gesucht. Der KOLMOGOROV- SMIRNOV-Anpassungstest liefert sowohl für die Normalverteilung als auch für die logarithmische Normalverteilung eine Ablehnsicherheit von 0,0. Die eindeutige Zuordnung eines Verteilungstyps ist folglich nicht möglich. Das i.i.d.-Paradigma (i.i.d. = identical independent distributed) der Statistik ist nicht erfüllt.

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau Abb. 1: Zugfestigkeit von Glasfilamentgarn NEG-ARG 620-01

Abb. 1:

Zugfestigkeit von Glasfilamentgarn NEG-ARG 620-01

Wie die folgende numerische Studie zur Festlegung des Verteilungstyps einer Grundgesamt- heit zeigt, kann informelle Unschärfe nicht allein durch Zufälligkeit beschrieben werden. Gegeben sei eine Grundgesamtheit mit theoretisch exakter Normalverteilung, dem Er- wartungswert E(X) = 3 und der Varianz VAR(X) = 1. Es werden 40 000 Stichproben vom Umfang n = 100 gezogen. Obwohl der Verteilungstyp der Grundgesamtheit bekannt ist, werden für die gezogenen Stichproben alternativ Normalverteilung und logarithmische Normalverteilung angenommen. Für jede Stichprobe werden die Parameter der angenommenen Normalverteilung und der logarithmischen Normalverteilung mit der Maximum-Likelihood-Methode geschätzt. Die Erwartungswerte und die Varianzen der 40.000 geschätzten Verteilungen werden berechnet, sie sind in Abb. 2 als Häufigkeitsverteilung zusammengefaßt. Obwohl die Ziehung der Stichproben unter gleichbleibenden Bedingungen erfolgte, ist erkennbar, daß eine erhebliche informelle Unschärfe besteht, wenn der Verteilungstyp einer Grundgesamtheit nicht zutreffend bestimmt werden kann.

Insbesondere im Bauingenieurwesen kann nicht vorausgesetzt werden, daß Messungen zur Bestimmung von Parametern (Ziehung von Stichproben) unter gleichbleibenden Bedingungen erfolgen. Eine Vielzahl nichtkonstanter Einflüsse wirken sich auf Material-, Geometrie- und Lastparameter aus. Das grundlegende i.i.d.-Paradigma wird dann verletzt. Auch bei Anwendung der BAYES-Statistik als einer Möglichkeit zur Einbringung zusätzlicher Informationen über eine Grundgesamtheit ist die Erfüllung des i.i.d.-Paradigmas bei Stichprobenvariablen mehrerer Stichproben strittig. Denn es wird vorausgesetzt, daß die Ver- teilung der Grundgesamtheit, aus der nacheinander verschiedene Stichproben gezogen werden, unverändert bleibt. Die angenommene A-priori-Verteilung kann sich signifikant auf die Ergebnisse auswirken und zu nicht vernachlässigbaren Fehlern führen.

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau Abb. 2: Häufigkeitsverteilungen des Erwartungswertes E(X)
Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau Abb. 2: Häufigkeitsverteilungen des Erwartungswertes E(X)
Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau Abb. 2: Häufigkeitsverteilungen des Erwartungswertes E(X)

Abb. 2:

Häufigkeitsverteilungen des Erwartungswertes E(X) und der Varianz VAR(X) bei unterschiedlichen Annahmen zum Typ der Verteilungsfunktion

Bei nichtkonstanten Reproduktionsbedingungen, geringem Stichprobenumfang, unscharfen

oder nichtnumerischen Daten bzw. der Verletzung des i.i.d.-Paradigmas besteht erhebliche

Unschärfe, die mit erweiterten Unschärfemodellen beschrieben werden sollte. Die Modellierung von Unschärfe als Fuzzy-Zufälligkeit führt auf ein verallgemeinertes Unschärfemodell, das die Sonderfälle Fuzziness und Zufälligkeit enthält. Die mathematische Beschreibung der Fuzzy-Zufälligkeit basiert auf der Theorie der Fuzzy-Zufallsgrößen.

3

Fuzzy-Zufallsgrößen

Grundlegende Begriffe und Definitionen zur Theorie der Fuzzy-Zufallsgrößen wurden in [1], [2], [3] und [4] eingeführt. Fuzzy-Zufallsgrößen sind durch Erweiterung des axiomatischen Wahrscheinlichkeitsbegriffes nach KOLMOGOROV definiert. Der Wahrscheinlichkeitsraum [X; S ; P] wird dabei um die Dimension Fuzziness erweitert; das unscharfe Maß Wahrscheinlichkeit bleibt über dem n-dimensionalen EUKLIDischen Raum R n erklärt.

Eine Fuzzy-Zufallsgröße

~

6 F(R n )

-

X ist das Fuzzy-Ergebnis der unscharfen Abbildung

(1)

mit F(R n ) als Menge aller Fuzzy-Größen im R n . Jede gewöhnliche Zufallsgröße X (ohne

-

-

Fuzziness) auf X, die vollständig in X enthalten ist, wird als Original von

X

bezeichnet. Die

 

-

-

Fuzzy-Zufallsgröße

X ist die Fuzzy-Menge aller möglichen Originale X, die in

X

enthalten

sind. Die Fuzzy-Zufallsgröße

-

X kann mit einer Fuzzy-Wahrscheinlichkeitsverteilungsfunktion

-

F

(x)

mathematisch beschrieben werden.

-

-

Die Fuzzy-Wahrscheinlichkeitsverteilungsfunktion F (x)

von

X

ist die Menge der Wahr-

-

scheinlichkeitsverteilungsfunktionen aller Originale X von X mit den Zugehörigkeitswerten

µ(F(x)), s. Abb. 3. Die Quantifizierung der Fuzziness durch Fuzzy-Parameter führt auf die

-

-

Beschreibung der Fuzzy-Wahrscheinlichkeitsverteilungsfunktion F (x)

von

X

als Funktion der

-

Fuzzy-Scharparameter s .

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

-

F (

x)

'

F( -

s ,

F( - s ,
F( - s ,
F( - s ,

x)

x )
F ( x) ' F( - s , x ) (2)

(2)

 
 
 
 
 
 
 

-

Abb. 3:

Fuzzy-Wahrscheinlichkeitsdichtefunktion f

(x)

und Fuzzy-Wahrscheinlichkeits-

 

-

verteilungsfunktion

F

(x)

einer eindimensionalen kontinuierlichen Fuzzy-

Zufallsgröße

Für die numerische Auswertung wird vorteilhaft die α-Diskretisierung angewendet

F(s - , x) ' {F α ( x); µ(F α ( x)) | F α ( x) ' [F min,α ( x); F max,α ( x)], µ(F α ( x)) ' α ,

mit

4

F min,α (x) = inf{F(s, x) | s 0 s α } F max,α (x) = sup{F(s, x) | s 0 s α }

Fuzzy-Zufallsfunktionen

œ α 0 (0, 1]}(3)

Unscharfe Parameter (z.B. Materialparameter, Belastungen oder Randbedingungen), deren

Ausprägung von der Zeit τ oder von den Raumkoordinaten Θ = {Θ 1 , Θ 2 , Θ 3 } abhängig ist und denen die Unschärfecharakteristik Fuzzy-Zufälligkeit zugeordnet werden kann, können mit Fuzzy-Zufallsfunktionen quantifiziert werden. Die Zeit- und Raumkoordinaten werden im Vektor t = {τ, Θ} zusammengefaßt. Eine Fuzzy-Zufallsfunktion ist dann eine Menge von

 

-

-

Fuzzy-Zufallsgrößen

X (t)

=

{ X

(t, ω), t 0 T} über einem gemeinsamen Fuzzy-

 

-

-

-

-

Wahrscheinlichkeitsraum [X; S

;

P

]. Eine Fuzzy-Zufallsfunktion X

(t) ={ X

(t, ω), t 0 T} ent-

steht durch die unscharfen Abbildungen von T × auf F(R n ). Ein Exemplar der Fuzzy- Zufallsfunktion ohne Zufälligkeit ist eine Fuzzy-Funktion [5]. Ein Exemplar der Fuzzy-

Zufallsfunktion ohne Fuzziness ist eine gewöhnliche Zufallsfunktion, die Originalfunktion der

-

Fuzzy-Zufallsfunktion genannt wird. Für jedes t 0 T 0 R n ist X(t, ω) eine Fuzzy-Zufallsgröße

-

-

im Fuzzy-Wahrscheinlichkeitsraum [X; S ;

P

].

Mit Hilfe der α-Diskretisierung kann eine Fuzzy-Zufallsfunktion als Menge von α- Niveaumengen gewöhnlicher Zufallsfunktionen formuliert werden

-

|

 

X (

t) ' {X

α

(

t); µ(X

α

(

t))

X

α (

t) ' [X

min,α (

t);

X max,α (

t)], µ(X

α

(

t)) ' α,

œα 0 (0, 1(4)

Für eine Fuzzy-Zufallsfunktion, die allein von den Raumkoordinaten abhängig ist, wird der Begriff Fuzzy-Zufallsfeld verwendet, bei Abhängigkeit von der Zeit der Begriff Fuzzy-

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Zufallsprozeß. Die Definition der Fuzzy-Zufallsfunktionen stützt sich auf [6].

Für die Fuzzy-Zufallsfunktion kann eine Fuzzy-Wahrscheinlichkeitsfunktion als Fuzzy-Menge der Wahrscheinlichkeitsfunktionen der Originalfunktionen aufgestellt werden. Analog zu Gl. (3) ist dann eine Darstellung in Abhängigkeit von Fuzzy-Scharparametern möglich. Zur Beschreibung der partiellen Eigenschaft Zufälligkeit von Fuzzy-Zufallsfunktionen kann die Theorie der Zufallsfunktionen herangezogen werden. Die Fuzzy-Zufallsfunktion ist z.B. streng stationär, wenn die Momente aller Ordnungen der Fuzzy-Wahrscheinlichkeitsverteilungs- funktion gegenüber einer Verschiebung im Vektor t invariant sind.

5 Unscharfe Datenanalyse

Aus dem umfangreichen Gebiet der unscharfen Datenanalyse wird hier im Zusammenhang mit der Modellierung von Fuzzy-Zufälligkeit das Aufstellen der Fuzzy-Wahrscheinlichkeits- verteilungsfunktionen betrachtet. Diese Funktionen werden nach Gl. (2) in Abhängigkeit von Fuzzy-Scharparametern formuliert. Fuzzy-Scharparameter können alle Funktionsparameter und/oder Parameter zur Beschreibung des Funktionstyps sein.

Die hier entwickelten Methoden der unscharfen Datenanalyse zur Fuzzy-Bewertung der stati- stischen Inferenz gehen sowohl von der klassischen als auch von der modernen Statistik aus, Bootstrap-Verfahren werden einbezogen [7]. Für Punkt- und Intervallschätzungen der Verteilungsparameter werden Momentenschätzer und Maximum-Likelihood-Schätzer eingesetzt. Angenommene Verteilungstypen werden mit Hilfe von Anpassungstests bewertet. Verteilungsfreie Schätzverfahren zur Beurteilung von Stichproben (Test auf Zufälligkeit, Test auf Homogenität) werden ebenfalls verwendet. Zur Berücksichtigung der informellen Unschärfe wurden zwei Konzepte entwickelt.

Fuzzy-Parameterschätzung Bei Annahme eines Funktionstyps für die Fuzzy-Wahrscheinlichkeitsverteilungsfunktion reduziert sich das Schätzproblem auf die Ermittlung der Verteilungsparameter. Diese werden als Fuzzy-Zahlen modelliert. Hier wird vorgeschlagen, den Gipfelpunkt der Fuzzy-Parameter durch Punktschätzung und die α-Niveaumengen durch Intervallschätzung bei vorgegebenem Konfidenzniveau festzulegen. Abb. 4 zeigt das Vorgehen am Beispiel einer Fuzzy-Dreieckzahl.

 
 

ˆ

ˆ

θ

'

Θ (x 1 ,

,

x n )

P θ [T u (X 1 ,

,

X n ) < θ < T o (X 1 ,

,

X n )] ' γ

P θ [T u (X 1 , , X n ) < θ < T o

Abb. 4:

n ) < θ < T o (X 1 , , X n )] ' γ

Bestimmung von Verteilungsparametern

n ) < θ < T o (X 1 , , X n )] ' γ

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Verteilungsfreie Schätzung der Fuzzy-Wahrscheinlichkeitsverteilung Dieser Ansatz ermöglicht es, die i.d.R. informell unscharfe Annahme eines Verteilungstyps zu umgehen, indem die empirische Verteilungsfunktion unmittelbar fuzzifiziert und die Fuzzy- Wahrscheinlichkeitsverteilungsfunktion direkt gebildet wird. Das Vorgehen basiert auf der Gesetzmäßigkeit, daß die empirische Verteilungsfunktion aus binomialverteilten Zufallsgrößen zusammengesetzt ist. Mit dem Vorgehen nach CLOPPER und PEARSON werden Konfidenz- intervalle für binomialverteilte Zufallsgrößen ermittelt [7]. Diese werden zur Fuzzifizierung der Funktionswerte der Fuzzy-Wahrscheinlichkeitsverteilungsfunktion genutzt.

6

Ziel

Fuzzy-probabilistische Tragwerksanalyse

der fuzzy-probabilistischen Tragwerksanalyse ist es, die fuzzy-zufälligen Eingangsgrößen

Analyse-

der fuzzy-

-

X

j

und die Fuzzy-Modellgrößen mit Hilfe eines scharfen (oder unscharfen)

-

-

Z i

-

0 Z

algorithmus M ( M) auf Ergebnisgrößen abzubilden. Die Ergebnisse

probabilistischen Tragwerksanalyse sind Fuzzy-Zufallsgrößen.

-

Z

'

Z 1 1

-

, ,

- -

Z

Z i

, ,

Fuzzy-Zufallsgrößen. - Z ' Z 1 - , , - - Z Z i , ,

m

-

-

' M (X

)

Bei Separation der Fuzziness im Scharparametervektor

-

Z

'

Z 1 1

-

, ,

- -

Z

Z i

, ,

Scharparametervektor - Z ' Z 1 - , , - - Z Z i , ,

m

' M(s - ,

X)

- s ergibt sich

(5)

(6)

Nachfolgend wird für den deterministischen Kern des Abbildungsoperators M(

kalisch nichtlinearer Analysealgorithmus für allgemeine Stahlbeton-Faltwerke nach [8] verwendet. Dieser Algorithmus repräsentiert die deterministische Grundlösung. Er gestattet

die realitätsnahe Simulation komplexer Lastprozesse unter Berücksichtigung aller wesent-

lichen Stahlbeton-Nichtlinearitäten.

- s , X) ein physi-

Die fuzzy-probabilistische Tragwerksanalyse wird mit Hilfe eines dreistufigen Algorithmus

mit der α-Level-Optimierung [9]

gelöst. Dabei werden im Raum der Fuzzy-Scharparameter s

in Gl. (6) bestimmt, die auf jedem

-

diejenigen Elemente (Realisierungen) der Fuzzy-Menge

-

s

-

α-Niveau den größten und kleinsten Wert der α-Niveaumenge der Ergebnisse Z festlegen.

i

Mit

jedem Element der Fuzzy-Menge

-

wird ein Original X j der Fuzzy-Zufallsgröße

s

-

X

j

ausgewählt. Die fuzzy-probabilistische Abbildung nach Gl. (6) ist damit auf eine gewöhnliche probabilistische Abbildung zurückgeführt, d.h., für die Zufallsgrößen (Originale) X j sind über

den Abbildungsoperator die Zufallsgrößen (Originale) Z i zu bestimmen. Diese Aufgabe wird

auch als probabilistische Grundlösung bezeichnet. Die Menge der so bestimmten Originale Z i

dient zur Formulierung der Fuzzy-Zufallsgrößen

Z . Innerhalb der probabilistischen

-

i

Grundlösung ist die deterministische Grundlösung mehrfach abzuarbeiten.

Für die probabilistische Grundlösung wird die Monte-Carlo-Simulation [10] eingesetzt - zur

Verminderung des numerischen Aufwandes in der Form einer Quasi-Monte-Carlo-Methode.

Beim Einsatz einer auf FE-Algorithmen basierenden deterministischen Grundlösung können Fuzzy-Zufallsfunktionen erfaßt werden; dies führt zur Fuzzy Stochastic Finite Element Method (FSFEM). Die Fuzzy-Zufallsfunktionen werden dabei in korrelierte Fuzzy-

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Zufallsgrößen diskretisiert. Die meist ohne experimentelle Verifikation festgelegte Korrelation zwischen den diskretisierten Fuzzy-Zufallsgrößen kann als Fuzzy-Größe modelliert werden.

Die FSFEM sei an einem Beispiel demonstriert. Das Stahlbeton-Faltwerk in Abb. 5 wird unter Berücksichtigung der maßgebenden Nichtlinearitäten des Stahlbetons und der Fuzzy- Zufälligkeit von Beton-Druckfestigkeit und Flächenlast berechnet.

Für jede Faltwerkebene ist die Ausdehnung des Tragwerkes in R 2 scharf. Das System wird mit 48 finiten Elementen vernetzt. Jedes Element mit einer Gesamtdicke von 10 cm ist zuvor mit sieben äquidistanten Betonschichten und jeweils zwei kreuzweise angeordneten verschmierten Bewehrungsschichten an der Ober- und Unterseite modelliert worden (s. Abb. 5).

5 p 6 3 1,5 m 1 4 x 3 x 2 2 x 1
5
p
6
3
1,5 m
1
4
x
3
x 2
2
x 1
Auflagerbedingungen:
Rand 2 - 4 - 6
φ 2 = φ 3 = 0
Rand 5 - 6
v
~
=
~
~
1
4
3
~~~
=
φ
1 = φ
3 = 0
v 2
9 2
1
8
5
Punkt 1
10 6
7
= 0
11
v 3
~
Beton C 20/25:
Bewehrungsstahl S 500:
Schicht 1-7
Schicht 8
7,85 cm²/m
Schicht 9
2,52 cm²/m
Schicht 10
2,52 cm²/m
Schicht 11
7,85 cm²/m

Abb. 5:

Geometrie, FE-Modell

Es werden das Beton-Stoffgesetz nach KUPFER/LINK und ein bilineares Stoffgesetz für den Bewehrungsstahl verwendet. Die Erfassung von Beton-Zugrissen im Element erfolgt schichtenweise nach dem Konzept der verschmierten Risse. Die unscharfe Flächenlast wird inkrementell bis zum vorgegebenen Gebrauchslastniveau gesteigert. In dieser Laststufe werden ausgewählte Ergebnisgrößen bereitgestellt. Bei Berücksichtigung der Fuzzy-Zufälligkeit der unscharfen Eingangsgrößen sind auch die Ergebnisgrößen Fuzzy-Zufallsgrößen.

Die Fuzzy-Zufälligkeit der Beton-Druckfestigkeit wird mit einem homogenen isotropen

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Fuzzy-Zufallsfeld in R 2 der Faltwerkebenen modelliert. Das Fuzzy-Zufallsfeld wird in den

-

Schwerpunkten der finiten Elemente diskretisiert. Zwischen der Beton-Zugfestigkeit β und

-

t

der Beton-Druckfestigkeit β

c wird die Abhängigkeit

-

β

t

-

' 0,092 · β c

(7)

genutzt. Im Elementschwerpunkt (Diskretisierungspunkt) wird das Hauptspannungskriterium (Rißkriterium) ausgewertet. Es wird volle Korrelation sowohl zwischen der Druckfestigkeit und der Zugfestigkeit als auch zwischen den Festigkeiten der Schichten eines finiten Elementes angenommen. Die Korrelation der diskretisierten Variablen einer Faltwerkebene wird durch Vorgabe der Fuzzy-Korrelationslänge nach Abb. 6 berücksichtigt. Die diskretisierten Fuzzy- Zufallsgrößen unterschiedlicher Faltwerkebenen sind nicht korreliert. Der Fuzzy-Mittelwert und die scharfe Standardabweichung sind für alle diskreten Fuzzy-Zufallsgrößen gleich.

sind für alle diskreten Fuzzy-Zufallsgrößen gleich. L 1& - - k (L) ' L z z
sind für alle diskreten Fuzzy-Zufallsgrößen gleich. L 1& - - k (L) ' L z z
sind für alle diskreten Fuzzy-Zufallsgrößen gleich. L 1& - - k (L) ' L z z
L 1& - - k (L) ' L z z 0
L
1&
-
-
k (L) '
L z
z
0
gleich. L 1& - - k (L) ' L z z 0 - wenn L 0
gleich. L 1& - - k (L) ' L z z 0 - wenn L 0

-

wenn L 0 [0, L z ]

sonst

- k (L) ' L z z 0 - wenn L 0 [0, L z ]
- k (L) ' L z z 0 - wenn L 0 [0, L z ]

Abb. 6:

-

Bestimmung des Korrelationsfaktors zweier diskreter Fuzzy-Zufallsgrößen X

in Abhängigkeit vom räumlichen Abstand der Diskretisierungspunkte l ij

i

und

-

X j

Die Flächenlast p wird als Original eines voll korrelierten Fuzzy-Zufallsfeldes, d.h. als gewöhnliche Zufallsgröße, modelliert. Die Parameter sind in Tab. 1 zusammengefaßt.

Für die α-Level-Optimierung wurden die α-Niveaus α = 0 und α = 1 ausgewählt. Berechnet

wird der Fuzzy-Erwartungswert der Verschiebung am Knoten 63 in x -Richtung. Die Grundlösung wird jeweils durch eine direkte Monte-Carlo-Simulation mit 100 Stichprobenelementen erhalten, aus denen der Erwartungswert durch Schätzung bestimmt wird. Die approximierte Zugehörigkeitsfunktion des Fuzzy-Erwartungswertes der Verschiebung ist in Abb. 7 dargestellt.

- 3

Tab. 1:

Parameter der Fuzzy-Zufallsfunktionen

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

 

Beton-Druckfestigkeit

Flächenlast

β

c

[N/mm 2

]

p [kN/m²]

Unschärfemodell

Fuzzy-Zufallsfunktion

Zufallsfunktion

Typ der Verteilung

Normalverteilung

Normalverteilung

Erwartungswert

<

24,5 ; 25,5 ; 26,5 >

6,0

Standardabweichung

1,5

 

0,3

Korrelationslänge

<

2,0 ; 4,5 ; 20,0 >

4

Für die α-Level-Optimierung wurden die α-Niveaus α = 0 und α = 1 ausgewählt. Berechnet wird der Fuzzy-Erwartungswert der Verschiebung am Knoten 63 in x -Richtung. Die Grundlösung wird jeweils durch eine direkte Monte-Carlo-Simulation mit 100 Stichproben- elementen erhalten, aus denen der Erwartungswert durch Schätzung bestimmt wird. Die approximierte Zugehörigkeitsfunktion des Fuzzy-Erwartungswertes der Verschiebung ist in Abb. 7 dargestellt.

- 3

der Verschiebung ist in Abb. 7 dargestellt. - 3 Abb. 7: Fuzzy-Erwartungswert der fuzzy-zufälligen
der Verschiebung ist in Abb. 7 dargestellt. - 3 Abb. 7: Fuzzy-Erwartungswert der fuzzy-zufälligen

Abb. 7:

Fuzzy-Erwartungswert der fuzzy-zufälligen Verschiebung v

- 3

des FE-Knotens 63

7 Fuzzy-probabilistisches Sicherheitskonzept

Ziel des fuzzy-probabilistischen Sicherheitskonzeptes ist die Ermittlung und Bewertung des Sicherheitsniveaus von Tragwerken unter Berücksichtigung von Fuzzy-Zufallsgrößen. Ergebnis ist entweder die Fuzzy-Versagenswahrscheinlichkeit oder der Fuzzy- Sicherheitsindex. Die Fuzziness des berechneten Sicherheitsniveaus charakterisiert die neue Qualität der Sicherheitsbeurteilung im Vergleich zu üblichen probabilistischen Methoden.

Das unscharfe Sicherheitsniveau wird durch die Fuzzy-Versagenswahrscheinlichkeit ausgedrückt.

-

P

f

-

' P(R

-

& S

# 0 )

-

P f

(8)

-

Mit P wird die Wahrscheinlichkeit bewertet, daß die unscharfe Beanspruchung (Einwirkung

f

-

-

S ) des Tragwerkes größer als die unscharfe Beanspruchbarkeit (Widerstand

R

) ist. Die

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Beanspruchung und die Beanspruchbarkeit werden durch Fuzzy-Zufallsgrößen, Zufallsgrößen und Fuzzy-Größen beschrieben. Die Fuzzy-Zufallsgrößen bilden zusammen mit gewöhnlichen

-

Zufallsgrößen den Raum der Basisvariablen X . Fuzzy-Größen werden als Modellparameter des unscharfen Tragwerksmodells aufgefaßt. Im Raum der Basisvariablen trennt die Grenzzustandsfunktion den Überlebensbereich vom Versagensbereich. Entsprechend dem ge- wählten Versagenskriterium können unterschiedliche Grenzzustände definiert werden (Grenz- zustand der Gebrauchstauglichkeit, Grenzzustand der Tragfähigkeit). Unscharfe Berechnungs- modelle mit Fuzzy-Modellparametern führen auf eine Fuzzy-Grenzzustandsfunktion.

i

Die Fuzzy-Versagenswahrscheinlichkeit ergibt sich durch Integration der Fuzzy- Wahrscheinlichkeitsverbunddichtefunktion über den Fuzzy-Versagensbereich

-

P f

' m

m

x* g ( x)<0

-

-

f X

(x 1 ,x 2 ,

,x

n ) dx 1 dx 2

dx n

(9)

Mit Hilfe der α-Diskretisierung wird das Integral originalweise ausgewertet. Der Raum der Scharparameter der Fuzzy-Wahrscheinlichkeitsverteilungsfunktionen wird um die Fuzzy- Modellparameter erweitert. Realisierungen der Scharparameter liefern die Verbunddichte- funktion f X (x) und den scharfen Grenzzustand g(x) = 0.

Die originalweise Auswertung des Integrals (Gl. (9)) gelingt mit analytischen Verfahren, numerischer Integration, Simulationsverfahren und probabilistischen Näherungsverfahren. Die probabilistischen Näherungsverfahren wurden so weiterentwickelt, daß sowohl Basisvariable in Form von Fuzzy-Zufallsgrößen als auch Modellparameter in Form von Fuzzy-Größen berücksichtigt werden können. Die Zuverlässigkeitstheorie 1.Ordnung (FORM) wird zur Fuzzy-Zuverlässigkeitstheorie 1.Ordnung (FFORM) [11] erweitert.

Analog zum Vorgehen der fuzzy-probabilistischen Tragwerksanalyse wird im erweiterten Raum der Fuzzy-Scharparameter die α -Level-Optimierung durchgeführt. Optimierungsziele sind die kleinste und die größte Versagenswahrscheinlichkeit auf jedem α-Niveau. Für diskrete Punkte des s-Raumes sind die Originale der Verbunddichte- und der Grenzzustandsfunktion bekannt. Mit FORM wird der zugehörige Sicherheitsindex ermittelt. Ergebnis der α-Level-

-

P f

-

Optimierung ist der Fuzzy-Sicherheitsindex β , der in die Fuzzy-Versagenswahrscheinlichkeit

umgerechnet werden kann.

Danksagung

Die Autoren danken der Deutschen Forschungsgemeinschaft (DFG) für die finanzielle Unterstützung der vorgestellten Forschungsarbeiten im Rahmen des Sonderforschungs- bereiches (SFB) 528.

Das Datenmodell Fuzzy-Zufälligkeit und seine Anwendung im Ingenieurbau

Literatur

[1]

Kwakernaak, H.: Fuzzy random variables - I. Definitions and Theorems. Information Sciences 15, (1978) 1-29

[2]

Kwakernaak, H.: Fuzzy random variables - II. Algorithms and Examples for the Discrete Case. Information Sciences 17 (1979) 253-278

[3]

Puri, M.L.; Ralescu, D.: Fuzzy random variables. J. Math. Anal. Appl. 114(1986) 409-

422

[4]

Liu, Y.; Qiao, Z.; Wang, G.: Fuzzy random reliability of structures based on fuzzy random variables. Fuzzy Sets and Systems 86 (1997) 345-355

[5] Nguyen, S.H.: Modellierung unscharfer zeitabhängiger Einflüsse als Fuzzy-Prozess - Anwendung auf die Schädigung von Tragwerken und auf die Simulation von Erdbeben. Diss., TU Dresden, Veröffentlichungen des Lehrstuhls für Statik, 2003, Heft 6

[6]

Wang, G.; Zhang, Y.: The theory of fuzzy stochastic processes. Fuzzy Sets and Systems 51 (1992) 161-178

[7]

Schlittgen, R.: Statistische Inferenz. München; Wien: Oldenbourg, 1996

[8] Graf, W., Möller, B., Hoffmann, A., Steinigen, F.: Numerical simulation of RC structures with textile reinforcement. In: Fifth World Congress on Computational Mechanics, Vienna, 2002, http://wccm.tuwien.ac.at

[9]

Möller, B.; Graf, W.; Beer, M.: Fuzzy structural analysis using α -level optimization. Computational Mechanics 26(6) (2000) 547-565

[10] Schuëller, G.I.: On computational procedures for processing uncertainties in structural mechanics. In: Second European Conference on Computational Mechanics ECCM 2, Crakow, 2001, CD-ROM

[11]

Möller, B.; Beer, M.; Graf, W.: Safety assessment of structures in view of fuzzy randomness. Computers and Structures 81 (2003) 1567-1582

[12]

Möller, B.; Beer, M.: Fuzzy-Randomness - Uncertainty in Cicil Engineering and Computational Mechanics. Springer-Verl., 2004

[13]

Sickert, J.-U.; Beer, M.; Graf, W.; Möller, B.: Fuzzy Probabilistic Structural Analysis considering Fuzzy Random Functions. In: Der Kiureghian, A.; Madanat, S.; Pestana, J.M. (Eds.): 9th Int. Conference on Applications of Statistics and Probability in Civil Engineering, San Francisco, 2003, pp. 379-386

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

Vladimir Cervenka, Radomir Pukl, Cervenka Consulting, Prag Konrad Bergmeister, Alfred Strauss, Ulrich Santa, Universität für Bodenkultur, Wien

Zusammenfassung: Abstract: Im Ingenieurwesen ist es üblich, bei der Dimen- sionierung von Strukturen mit präzisen Eingabedaten, wie Materialkennwerten und Lastgrößen, zu arbeiten. Die Ergebnisse scheinen einen genauen determi- nistischen Wert zu liefern. Solange präzise Eingabewerte, wie zum Beispiel in Normenwerken für neue Strukturen, verfügbar sind, scheint diese Vorgehens- weise nicht in Frage zu stehen. Steht man jedoch vor der Aufgabe, bestehende Strukturen zu bewerten, so wird man nach kurzer Zeit aufgrund der Unsicher- heiten oder auch des Informationsmangels über die Eingabedaten an die Gren- zen des vorherigen Konzepts stoßen. In diesem Beitrag wird ein Verfahren – Programm SARA – vorgestellt, das dem Ingenieur die Einbeziehung von Unsicherheiten in den Bewertungsprozeß von Strukturen erlaubt.

Allgemein

SARA ist ein Werkzeug zur Analyse und Zuverlässigkeitsbewertung von Strukturen. Das Programm ist speziell für Ingenieurtragwerke, aber auch für allgemeine Problemstellungen konzipiert. In SARA sind ein nichtlineares Finite-Elemente-Programm ATENA und das Statistik Programm FREET integriert, siehe Bild 1.

Das Finite-Elemente-Programm ATENA dient zur realistischen Simulation von Beton- und Stahlbetonstrukturen. Das Statistik Programm FREET ist eine Software, welche die Berücksichtigung von streuenden Eingangsgrößen bei der Formulierung von analytischen Grenzzustandsfunktionen als auch Antwortfunktionen ermöglicht. Die Kombination beider Programme ermöglicht die Berücksichtigung der in ATENA verwendeten Parameter als streuende Größen und die Anwendung der probabilistischen Methodik in FREET – Zuverlässigkeitsanalyse, Sensitivitätsanalyse – auf eine Finite-Elemente-Struktur. Das System SARA bietet sowohl eine anwendungsfreundliche, interaktive, graphische Ober- fläche als auch eine umfassende Datenbank für stochastische Modelle, siehe Bild 1 und Bild 2.

Das vorrangige Ziel der probabilistischen, nichtlinearen Analyse ist die Erlangung einer statistischen Antwort der Struktur (z.B. Versagenslast, Durchbiegung, Risse, Spannungen etc.), welche in der Folge für die Sensitivitätsanalyse, die Zuverlässigkeitsanalyse als auch zur Überprüfung von Computermodellen verwendet wird. Weitere Werkzeuge, welche in das System SARA inkludiert werden, sind Formulierungen zur Beschreibung von Degra-

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

dationsprozessen (Bild 1), wie Chlorideindring-, Karbonatisierungs- oder Rostfortschritts- prozesse. Diese Möglichkeit der Simulation von Degradationsprozessen in Kombination mit Überwachungsarbeiten an Objekten ermöglichen eine rationelle Lebenszeit- und Maß- nahmenplanung, wie in Bild 6 gezeigt.

Zuverlässigkeitsbewertung von Ingenieurtragwerken SARA Safety Analysis and Reliability Assessment SARA Studio
Zuverlässigkeitsbewertung von Ingenieurtragwerken
SARA
Safety Analysis and Reliability Assessment
SARA Studio
Nichtlineares Finite Elemente Programm
für Betonstrukturen
ATENA 2D / 3D
Feasible Reliability Engineering Efficient Tool
FREET
Nichtlineare Druck-Zuggesetze
Probabilistische Berechnungen
Datenbank für
Umschnürungs Effekte
Zuverlässigkeitsbetrachtungen
Stochastische Modelle
Konstitutive Modelle
Grenzzustandsfunktionen
Bruchenergie
Antwortfunktionen
Rissemodell
Zufallsvariablen
Simulated Annealing
Rißbandtheorie
Basisvariablen
Latin Hypercube Sampling
Simulationsanzahl 10 < n < 100
Size Effekte
Mittelwert
Standardabweichung
Variationskoeffizienten
Berücksichtigung der gewünschten
Korrelationsbeziehungen
Verteilungstyp
Degradationsprozesse

Bild 1: Struktur des Software Systems SARA

1.1 Eigenschaften der Programme

1.1.1 ATENA

Die Betonmodelle in ATENA beschreiben den kompletten Bereich des ebenen Spannungs- zustandes unter Druck und Zug. Die biaxialen Spannungszustände werden mit Hilfe von biaxialen Versagensfunktionen erfaßt. Das Zugverhalten (Risse) wird zu einem Teil über die Risßband-Methode modelliert. Das gesamte Softeningverhalten – auch für den Druck- bereich – basiert auf einem netzunabhängigen Ansatz. Der dreidimensionale Spannungs- zustand wird anhand der Plastizitätstheorie mit einem nicht assoziierten Fließgesetz beschrieben, wobei auch der „Einschnürungs“-Effekt nach Menètrey und Willam [1] berücksichtigt wird. In ATENA besteht aber auch die Möglichkeit, das Microplane-Modell nach Bažant et al. [2] zu verwenden. Eine Vielzahl von anderen Modellen ist ebenfalls in ATENA implementiert, um eine erfolgreiche Simulation zu unterstützen (z.B. Beweh- rungsstahl, Stahl, Verbundverhalten von Bewehrungsstahl, Interfaces, Grundbaumodelle etc.). Eine detailliertere Beschreibung ist in Strauss [3] zu finden.

1.1.2 FREET

FREET (Feasible Reliability Engineering Efficient Tool) ist eine vielseitige probabilisti- sche Software für die statistische, Sensitivitäts- und Zuverlässigkeitsanalyse von Inge-

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

nieurproblemen. Die Software ist für die relativ einfache statistische Auswertung jedes beliebig formulierten Berechnungsproblems entworfen und eignet sich für berechnungs- intensive Problemstellungen, bei denen die Durchführung tausender Berechnungen, wie bei der Monte-Carlo-Methode benötigt, nicht möglich ist. Mit einem speziellen Typ der numerischen probabilistischen Simulation, Latin Hypercube Sampling (LHS), ist es mög- lich, mit einer wesentlich kleineren Anzahl an Simulationen als es bei der Monte-Carlo- Methode für die Berechnung von Versagenswahrscheinlichkeiten notwendig ist, das Aus- langen zu finden. „Simulated Annealing“, eine stochastische Optimierungsmethode, wird verwendet, um für die Zufallsgrößen die gewünschten Korrelationen zu erreichen. Als Resultat der Simulationen erhält man die statistische Antwortfunktion einer bestimmten Problemstellung, z.B. Durchbiegung oder Tragsicherheit. Diese Antwortfunktion dient zur Formulierung des Zuverlässigkeitsproblems als auch für die Sensitivitätsanalyse. Die Sensitivitätsanalyse erlaubt eine Unterscheidung zwischen den dominanten und den weni- ger dominanten am Resultat beteiligten Zufallsgrößen und erleichtert somit die Erkennung von Unzulänglichkeiten in der Struktur. Eine detailliertere Beschreibung dieser Software ist in Nòvak [4] zu finden.

1.1.3

DATENBASIS

Als drittes Element innerhalb des SARA-Systems wurde eine Datenbank für stochastische Modelle aufgebaut, siehe Bild 2. Die Datenbank bietet dem Anwender die Möglichkeit, innerhalb von FREET aus stochastischen Modellen für Widerstände, Geometrien und Ein- wirkungen zu wählen. Die stochastischen Modelle sind generell durch die beiden ersten statistischen Momente und durch den Verteilungstyp beschrieben. Die Quellen dieser stochastischen Modelle sind Literaturangaben, Produktionsdaten und Experimente. Nähere Details sind in Strauss [3] beschrieben.

 

Datenbank Mittelwert, Std, CoV Verteilungstyp

 
 

Stochastische Modelle

 

Stochastische Modelle

 

Stochastische Modelle

 

Widerstand

Geometrien

Einwirkungen

   

Stützen

Wände

Eigengewichte

Veränderl. Lasten

Beton

Bewehrungsstahl

Profilstahl

Platten

etc.

Wind

Schnee

Spannstahl

 

Bild 2: Datenbank für stochastische Modelle

1.2

Lösungsverfahren

Das Lösungsverfahren für die Zuverlässigkeitsbewertung und Sensitivitätsanalyse einer Struktur kann in folgende Punkte gegliedert werden, siehe auch Bild 3.

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

Vorbereitung des deterministischen Modells einer Struktur in ATENA 1.1 Wahl der Beobachtungspunkte / Monitoringpunkte
Vorbereitung des deterministischen Modells einer Struktur in ATENA
1.1
Wahl der Beobachtungspunkte / Monitoringpunkte
an diesen Punkten sind die Grenzzustandsbetrachtungen möglich
1.2
Übergabe der deterministischen Größen an das SARA Studio
Übergabewerte sind Mittelwerte
1.3
Zuordnung der Stochastischen Modelle zu selektierten Übergabewerte innerhalb des SARA-Studios
Zufallsgrößen
Material, Vorspannung, Geometrieangaben
2.1
Zuordnung von Korrelationsbeziehungen zu den selektierten Zufallsgrößen
2.2
Randomisierung mittels Latin Hypercube Sampling "LHS"
Schaffung von Problemstellungen für das nichtlineare Finite Elemente Packet "ATENA"
3.1
Simualted Annealing
Umordnung der Parameter der geschaffenen Problemstellungen zur Erzielung der gewünschten Korrelationen
3.2
Übergabe der n-Problemstellungen an ATENA
4.1
Lösung der n-fachen Problemstellungen innerhalb ATENA
und Speicherung der Ergebnisse
4.2
bzw. 5
Rückgabe der statistischen Anwortgrößen der Beobachtungspunkte an das SARA-Studio
4.3
bzw. 5
Zuverlässigkeitsanalyse
Sensitivitätsanalyse
6.1
6.2

Bild 3: Lösungsverfahren für die Zuverlässigkeitsbewertung und Sensitivitätsanalyse

1. Das deterministische Modell der Struktur wird in ATENA vorbereitet und über- prüft.

2. Unsicherheiten und Zufälligkeiten der Eingangsgrößen werden als Zufallsgrößen modelliert und mit Hilfe der Verteilungsdichtefunktionen (PDF) beschrieben. Aus dieser Beschreibung resultieren die Sätze der Eingangsgrößen für die späteren mul- tiplen Berechnungsmodelle in ATENA. Die Zufallsgrößen werden mittels Mittel- wert, Varianz oder anderen statistischen Parametern beschrieben (generell mittels PDF).

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

3. Die zufälligen Eingangsgrößen-Stichproben werden entsprechend ihrer Dichtefunk- tionen unter Zuhilfenahme der LHS-Technik generiert. Die statistische Korrelation unter den Parametern wird mit Hilfe des Simulated-Annealing-Vorganges einge- richtet.

4. Die generierten Stichproben aus den Zufallsgrößen werden als Eingangsgrößen für Berechnungsmodelle in ATENA verwendet. Die komplexe nichtlineare Berech- nung wird durchgeführt und ausgewählte Resultate (Strukturantwort) werden gespeichert.

5. Diese zwei zuletzt beschriebenen Schritte werden für alle Stichproben wiederholt.

6. Die resultierenden Sätze der Strukturantwort aus dem gesamten Simulationsprozeß werden nun statistisch ausgewertet. Es resultieren: Histogramme, Mittelwerte, Varianzen, Koeffizienten der Schräge, empirische Summenhäufigkeitsfunktionen der Strukturantwort, Sensitivitätsanalysen und die Bewertung der Zuverlässigkeit.

Bei der Zuverlässigkeitsanalyse wird den erhaltenen statistischen Antwortgrößen, z.B. Tragwiderstand, Durchbiegungen oder Spannungen etc. in den Beobachtungspunkten, eine Vergleichsgröße gegenübergestellt. Aus dem Überschneidungsbereich der Antwortgröße und Vergleichsgröße kann ein Sicherheitsraum ermittelt werden, siehe Bild 4. Dieser Sicherheitsraum dient zur Ableitung des Cornell’schen β-Index, der eine Größe für die Beschreibung der Versagenswahrscheinlichkeit p f – Fläche der Verteilung des Sicherheits- raumes unterhalb des Nullpunktes – ist, siehe Bild 4.

raumes unterhalb des Nullpunktes – ist, siehe Bild 4. R S σ R σ s µ
R S σ R σ s µ S µ R β ∗ σ Μ
R
S
σ R
σ s
µ
S
µ R
β ∗
σ
Μ

r, s

M σ p M f m µ M β ∗ σ Μ
M
σ
p
M
f
m
µ M
β ∗ σ Μ

Bild 4: R, S und M und der Sicherheitsindex β

Anwendungsbeispiel

Die zuvor beschriebene Software SARA wurde verwendet, um für ein Objekt der Brenner- autobahn eine Zuverlässigkeitsanalyse und in der Folge eine Abschätzung der Lebensdauer durchzuführen. Es handelt sich um einen ca. 1 km langen Brückenzug, von dem die Hohl- kastenbrücken über dem Tal näher untersucht wurden. Die Hohlkästen mit 211 Spann- kabeln wurden im Freivorbau gefertigt, im Endzustand lag eine statisch bestimmte Lagerung vor. Als streuende Größen – Zufallsgrößen – wurden die Betoneigenschaften Druckfestigkeit, Zugfestigkeit, Bruchenergie, Elastizitätsmodul und Poisson-Zahl, die Stahleigenschaften Elastizitätsmodul und Fließgrenze und die Spannstahleigenschaften Elastizitätsmodul und Fließgrenze eingeführt. Zwischen den einzelnen Parametern erfolgt

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

auch die Einrichtung der Korrelationsbeziehungen, siehe Strauss [5]. Die detaillierten Angaben über diese Berechnung sind in Strauss [3] zu finden.

167 m 45 m 17.5 m 91 m 59 m 59 m 91 m 17.5
167 m
45 m
17.5 m
91 m
59 m
59 m
91 m
17.5 m
167 m 45 m 59 m 91 m 17.5 m
167 m
45 m
59 m
91 m
17.5 m

Bild 5: Zuverlässigkeitsanalyse an einem Objekt der Brennerautobahn

Die erste Zuverlässigkeitsanalyse der Tragsicherheit des Objektes – es erfolgte eine Last- steigerung bis zum Versagen – unter der Annahme, daß sämtliche Materialien ihre Aus- gangseigenschaften nach wie vor besitzen, ergab einen Sicherheitsindex β von 11.96, siehe Bild 6. Eine nochmalige Simulation unter der Annahme, daß 30 % der Spannglieder beschädigt sind, zeigte einen Abfall dieses Index auf β = 6.0. Diese Annahme erfolgte auf- grund von Informationen aus Bauwerksüberwachungen. Beide Indizes sind von dem in den Normvorschriften geforderten Niveau von 4.7 relativ weit entfernt und dürften daher im ersten Augenblick nicht beunruhigen. Ein β-Index von 4.7 entspricht etwa dem Versagen von einem aus einer Million gleichwertig ausgeführten Bauwerken. Betrachtet man jedoch das nach Frangopol aufgestellte Modell zur Abschätzung der Lebensdauer der Objekte, siehe Bild 6, so sieht man, daß spätestens in 10 Jahren dieses Niveau von β = 4.7 erreicht sein wird. Es stellt sich die Frage, ob bis zu diesem Zeitpunkt gewartet oder sofort eine Maßnahme gesetzt werden soll. Hilfestellungen für diese Entscheidungen bieten Kosten- modelle, wie in Rackwitz [6] oder Frangopol [7] vorgeschlagen werden. Der Verlauf der Abgangsfunktionen innerhalb des Bildes 6 kann mit Hilfe der Weibull-Formulierun- gen φ(t) = α∗β∗t β-1 *e (-α*tβ) beschrieben werden. Die Parameter α und β werden aus mehr- fachen Zuverlässigkeitsbeurteilungen in Kombination mit Bauwerksüberwachungen, verteilt über mehrere Zeitpunkte, bestimmt.

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

30 Jahre; β = 11.96 Ideal 35 Jahre; β = 40 Jahre β = β
30 Jahre; β = 11.96
Ideal
35 Jahre; β =
40 Jahre β =
β = 11.96
Vorbeugende Maßnahme
Wesentliche Maßnahme
β = ~ 6.0
ca.30
% Spanngliedausfall
Sicherheitsindex β
Zeit [Jahre]
Ausführungs, Gesundheitsindex

Bild 6: Lebenszeit und Maßnahmenplanung, siehe auch Frangopol [7]

Diese Simulationstechnik, unterstützt durch SARA, bietet zusammen mit einem kontinu- ierlichen Monitoringsystem ein geeignetes Mittel für die Abschätzung der Lebensdauer, da zeitliche Änderungen unmittelbar vom Monitoring abgelesen werden und diese für die Zukunftsprognose im Simulationsprozeß einfließen können. Vor dem Start eines solchen Systems ist es wichtig, die verwendeten stochastischen Modelle auf ihre Genauigkeit zu prüfen und eventuell zu kalibrieren. Dies kann durch die Maximierung des Überschnei- dungsbereiches zwischen Meßergebnissen und den Simulationsergebnissen der statisti- schen Antwortgrößen an einem Beobachtungspunkt erfolgen. Durch unterschiedliche Laststellungen ist es möglich, die Bedeutung der Zufallsgrößen am Ergebnis zu steuern und somit ist auch deren Kalibrierung relativ einfach.

Diskussion des Sicherheitsniveaus

Tabelle 1 zeigt einen Vorschlag für einen auf die Tragwerksart, das Überwachungssystem und auf die Belastungsart bezogenen Sicherheitsindex β. Der Sicherheitsindex β kann je nach der Überwachungsart, der Duktilität der kritischen Elemente, dem Systemtragver- halten und der Einwirkungsart gegenüber dem in der Norm geforderten Wert von 4.7 (bezogen auf ein Jahr) abgemindert werden, siehe Tabelle 1. Der Sicherheitsindex β darf jedoch den Wert 3.5, außer für Sondertransporte und seltene gleichzeitig wirkende Ein- wirkungen, nicht unterschreiten. Wird für die Tragsicherheit ein Wert von β = 3.5 erreicht, muß unmittelbar eine Inspektion der kritischen Tragelemente der Konstruktion erfolgen, siehe Bild 7. Dieses System der Sicherheitsindexgestaltung ermöglicht gemeinsam mit dem Inspektionsmodell, wie in Bild 7 gezeigt, eine Berücksichtigung der Inspektionsinten- sität und der Struktureigenschaften. Insbesondere wird auch auf die zeitliche Veränderung der Strukturen Rücksicht genommen. Das Inspektionsmodell umfaßt folgende wesentliche Schritte:

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

1. Berechnung des Zuverlässigkeitsindex (z.B. mittels SARA).

2. Annahme einer Abgangsfunktion (z.B. auf der Basis einer Weibull-Formulierung o.ä.)

3. Kalibrierung der Weibull-Parameter aus den Daten der Bauwerksüberwachung und SARA).

4. Aufgrund der festgestellten Schäden aus der Überwachung Errechnung einer Degradationsfunktion (z.B. chloridinduzierter Korrosion, etc).

5. Vorschreibung des Zeitraumes für die nächste Inspektion.

β 2 Weibull Formulierung ( − α ⋅⋅ t β ) 3 Degradation = f
β
2 Weibull Formulierung
( −
α
⋅⋅ t
β
)
3
Degradation = f (Struktur, etc)
Φ
(
)
β
− 1
t
=⋅⋅
α
β
te
1
3.5
∆t
4
t 1
t n

Bild 7: Inspektionsmodell für die Tragsicherheit einer Struktur auf der Basis des zeitabhängigen Sicherheitsindex

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

β = 4.7 – (M + D + S + L ) 3.5 (ULS) Tragfähigkeit β = 3.0 – 0.8*(M + D + S + L ) 1.8 (SLS) Gebrauchstauglichkeit

 

Monitoring

M

kontinuierliche Kontrolle der kritischen Elemente

0.5

jährliche Kontrolle der kritischen Elemente, bei denen eine sichtbare Vorwarnung erfolgt

0.25

jährliche Kontrolle der kritischen Elemente, bei denen keine sichtbare Vorwarnung erfolgt

0.1

Kontrolle alle zwei Jahre

0

Duktilität

D

hohe Duktilität

0.5

geringe Duktilität

0

Systemtragverhalten – Robustheit

S

hohe Robustheit, Elementversagen führt zu Systemwechsel – System zeigt ein redundantes Verhalten

0.5

mittlere Robustheit, mehrere Elemente müssen versagen, damit der Kollaps eintritt

0.25

geringe Robustheit, Versagen des Elements führt sofort zum Kollaps

0

Einwirkungen

L

Normbelastung

0

Sondertransporte – seltenes Ereignis (z.B. 1 mal pro Jahr); maximal 20 % über Normbelastung

0.1

seltene und gleichzeitig wirkende Einwirkungen (Sondertransporte + z.B. Wind bzw. Schnee)

0.2

Tabelle 1:

Vorschlag der Zielzuverlässigkeiten für die Tragfähigkeit und Gebrauchstauglichkeit – Bezugszeitraum 1 Jahr

Schlußfolgerung

Diese Möglichkeit der probabilistischen Berechnung von herkömmlichen Ingenieur- konstruktionen ermöglicht die relativ einfache Bestimmung des Sicherheitsniveaus von existierenden Strukturen. Die Kombination dieses Verfahrens mit Degradationsmodellen erlaubt eine effiziente Erhaltungsplanung unter eventueller Einbeziehung von Kosten- modellen. Die streuenden Daten für die Eingabe können, soweit keine näheren Angaben über das Objekt vorhanden sind, aus der entwickelten Datenbank oder aus Stichproben- entnahmen und Monitoring-Daten extrahiert werden. Ein intelligentes Inspektionssystem für Ingenieurstrukturen – Informationsgewinnung – spielt bei der Lebensdauerplanung von Strukturen eine wesentliche Rolle. Die daraus gewonnenen Informationen können in das „Time-dependent safety-index-concept“ einfließen. Sie erlauben, die Abgangsfunktionen des Sicherheitsniveaus zu kalibrieren.

Danksagung

Die vorgestellte Forschung wurde teilweise durch das Czech Grant Agency Grant Nr.103/02/1030, 103/04/2003 unterstützt.

Zuverlässigkeitsbemessung von Stahlbetontragwerken mit SARA

Literatur

[1] Menétrey, P.; Willam, K.J.: Triaxial failure criterion for concrete and its generali- zation. ACI Structural Journal 92 (3), 1995, Seite 311-318.

[2] Bažant, Z.P.; Caner, F.C.; Carol, I.; Adley, M.D.; Akers, S.A.: Micoplane model M4 for concrete: I. Formulation with work-conjugate deviatoric stress. J. of Engrg. Mechanics ASCE 126 (9), 2000, Seite 944-953.

[3] Strauss, A.: Stochastische Modellierung und Zuverlässigkeitsanalyse von Beton- konstruktionen. Dissertation am Institut für Konstruktiven Ingenieurbau, Universität für Bodenkultur Wien, 2003

[4] Novák, D: FREET – Feasible Reliability Engineering Efficient Tool – Program docu- mentation. Brno University of Technology, faculty of Civil Engineering, Institute of Structural Mechanics / Červenka Consulting, Prague, Czech Republic, 2002

[5] Strauss, A.; Bergmeister, K.; Hostnik R.: Der Einfluß des Wechsels der Zementgüte PZ 375 zu PZ 275 auf die statistischen Kennwerte der Druckfestigkeit der Betongüte C25/30, Serie 7. Institut für Konstruktiven Ingenieurbau, Universität für Bodenkultur Wien, 2002

[6] Rackwitz, R.: Optimizing systematically renewed structures. Reliability Engineering and System Safety, 73, 2001, Seite 269-279.

[7] Frangopol, D.M., J.s. Kong and E.S. Gharaubeh: Reliability-based life cycle manage- ment of highway bridges. Journal of Computing in Civil Engineering, ASCE, Vol.15, No. 1, 2001, Seite 27-34.

Simulationsverfahren in der stochastischen Strukturmechanik

Simulationsverfahren in der stochastischen Strukturmechanik

Institut fur¨

Christian Bucher Strukturmechanik, Bauhaus-Universitat¨ Weimar

Zusammenfassung: Moderne Verfahren der Strukturmechanik gehen zunehmend mehr auf die Notwendigkeit ein, Unsicherheiten von Einwirkungen und Widerstand zu berucksichtigen.¨ In den meisten Fallen¨ beruhen diese Verfahren auf der Wahrschein- lichkeitstheorie. Bedingt durch die enge Verflechtung von strukturmechanischen und statistischen bzw. stochastischen Daten wurden ganz spezifische Konzepte fur¨ stochastische Finite Elemente entwickelt. In diesem Beitrag werden die grundlegenden Beziehungen fur¨ die Beschreibung von Zufallsgroßen¨ angegeben. Ihre Darstellung im Kontext von Finiten Elementen wird erlautert.¨ Besonders hervorgehoben werden Methoden zur Berechnung von Versagens- wahrscheinlichkeiten unter statischen und dynamischen Lasten. Diese Verfahren beruhen auf der Monte-Carlo-Methode, beziehen aber zusatzliche¨ Informationen, z. B. aus (halb)analytischen Naherungsverfahren,¨ mit ein. Numerische Beispiele demonstrieren die Anwendbarkeit dieser Methoden. Ein Beispiel bezieht sich auf die statistische Analyse von Eigenfrequenzen bei stochastisch raumlich¨ korrelierten Elastizitatseigenschaften,¨ das zweite Beispiel behandelt die Berechnung der Erstuberschreitenswahrscheinlichkeit¨ der dynamischen Reaktion einer Struktur auf eine erdbebenahnliche¨ Anregung.

1

Introduction

Numerical methods for structural analysis have been developed quite substantially over the last decades. In particular, finite element methods and closely related approximations became the state of the art. The modeling capabilities and the solution possibilities lead to an increasing refinement allowing for more and more details to be captured in the analysis. On the other hand, however, the need for more precise input data became urgent in order to avoid or reduce possible modeling errors. Such errors could eventually render the entire analysis procedure useless. Typically, not all uncertainties encountered in structural analysis can be reduced by careful modeling since their source lies in the intrinsic randomness of natural phenomena. It is therefore appropriate to utilize methods based on probability theory to assess such uncertainties and to quantify their effect on the outcome of structural analysis. The paper presents an overview of probability-based methods to describe structural uncertainties and to calculate structural reliability. The theoretical concepts are supplemented by two complex nu- merical examples in which the implementation of the methods is demonstrated.

Simulationsverfahren in der stochastischen Strukturmechanik

Probability Distribution Function

Probability Density Function

2 Random Variables

2.1 Basic Definitions

Probability in the mathematical sense is defined as a positive measure (between 0 and 1) associated with an event A in probability space. For most physical phenomena this event is suitably defined by the occurrence of a real-valued random value X which is smaller than a prescribed, deterministic value x. The probability P [A ] associated with this event obviously depends on the magnitude of the prescribed value x, i.e. P [A ] = F (x) For real valued X and x, this function is called probability distribution function (or equivalently, cumulative distribution function, cdf):

(1)

F X (x) = P [X < x]

Differentiation of F X (x) with respect to x yields the so-called probability density function (pdf):

d

f X (x) = dx F X (x)

(2)

A qualitative representation of these functions is given in Fig. 1.

0.4

0.3

0.2

0.1

0

1

0.8

0.6

0.4

0.2

0

Probability Probability Distribution Density Function Function
Probability Probability Distribution Density Function Function

-3

-2

-1

0

1

2

3

4

5

Value of Random Variable

Figure 1: Schematic sketch of probability distribution and probability density functions.

In many cases it is more convenient to characterize random variables in terms of expected values

¯

rather than probability density functions. Special cases of expected values are the mean value X :

X ¯ = E [X ] =

−∞

xf X (x)dx

(3)

(x X ) 2 f X (x)dx

¯

(4)

and the variance σ X of a random variable:

¯

2

σ X = E [(X X ) 2 ] =

2

−∞

The positive square root of the variance σ X is called standard deviation. A description of random variables in terms of mean value and standard deviation is sometimes called “second moment repre- sentation”.

2.2 Random Vectors

In many applications a large number of random variables occurs simulataneously. It is conceptu-

ally helpful to assemble all these random variables X k ; k = 1

X n ] T

For this vector, expected values can be defined in terms of expected values for all of its components:

n into a random vector X :

X = [X 1 , X 2 ,

(5)

Simulationsverfahren in der stochastischen Strukturmechanik

Mean value vector

¯

¯

¯

X = E [(X ] = [ X 1 , X 2 ,

X n ] T

¯

(6)

Covariance matrix

(7)

The dimensionless quantity

(8)

σ X i σ X k is called coefficient of correlation. Its value is bounded in the interval [1, 1]. The covariance matrix C XX is symmetric and positive definite. Therefore it can be factored into (Cholesky-decomposition):

E [(X X )(X X ) T ] = C XX

¯

¯

¯

¯

ρ ik = E [(X i X i )(X k X k )]

C XX = LL T

(9)

in which L is a non-singular lower triangular matrix. The Cholesky factor L can be utilized for a representation of the random variables X i in terms of zero-mean uncorrelated random variables Y i :

Y = L 1 (X X );

¯

¯

X = LY + X

(10)

2.3 Joint probability density function models

The pdf of jointly normally (Gaussian) distributed random variables (components of a random vector X is given by

f X (x ) =

2

1 det C XX exp 1 2 (x X ) T C XX (x X ) ; x R n

¯

1

¯

C X X ( x − X ) ; x ∈ R n ¯ − 1

(2π ) n

(11)

The so-called Nataf -model ([5]) describes the joint probability density function of random vari- ables X i based on their individual (marginal) distributions and the covariances. The concept is to transform the original variables X i to Gaussian variables Y i whose joint density is assumed to be Gaussian. This model can be realized in three steps:

1. Map all random variables X i individually to normally distributed random variables V i with zero mean and unit standard deviation:

{ X i ; f X i (x i )} ↔ {V i ; ϕ (v i )}

which is accomplished by means of

V i = Φ 1 [F X i (X i )]

(12)

2. Assume a jointly normal distribution for all random variables V i

E [V i ] = 0;

2

E [V ] = 1;

i

E [V i V j ] = ρ V i V j = ρ X i X j

(13)

Note that at this point, the correlation coefficient ρ V i V j is not yet known. The joint pdf for the components of the random vector V is then

f V (v ) =

1 (2π ) n 2 √ det R VV
1
(2π ) n
2
√ det R VV

exp(1 2 v T R VV v )

1

From this relation, it follows that

f X (x) = f V [v (x)]

n

i=1

| dx i dv

i

| = f V [v (x)]

n

i=1

ϕ

[v

i (x i )]

f X i (x i )

(14)

(15)